[發(fā)明專利]圖像處理方法、裝置及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010366985.5
• 申請日: 2020-04-30
• 公開（公告）號: CN111553477A
• 公開（公告）日: 2020-08-18
• 發(fā)明（設(shè)計）人: 郭少鵬;王宇杰;李全全
• 申請（專利權(quán)）人: 深圳市商湯科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06N3/06;G06T1/00
• 代理公司: 北京同立鈞成知識產(chǎn)權(quán)代理有限公司 11205
• 代理人: 張娜;臧建明

1.一種圖像處理方法，其特征在于，所述方法包括：

將待處理圖像輸入到神經(jīng)網(wǎng)絡(luò)模型；

經(jīng)所述神經(jīng)網(wǎng)絡(luò)模型輸出所述待處理圖像的圖像特征；

其中，所述神經(jīng)網(wǎng)絡(luò)模型包括至少兩個中間層，每個中間層包括多個神經(jīng)元，所述神經(jīng)網(wǎng)絡(luò)模型為：基于初始神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元的保留概率，對所述初始神經(jīng)網(wǎng)絡(luò)模型進行剪枝處理得到的，所述初始神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元的保留概率是基于預(yù)設(shè)的統(tǒng)計模型獲取的。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在將待處理圖像輸入到神經(jīng)網(wǎng)絡(luò)模型之前，所述方法還包括：

基于初始神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元的保留概率，獲取待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型；

對所述待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到所述神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預(yù)設(shè)的統(tǒng)計模型為馬爾科夫模型，在所述基于初始神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元的保留概率，獲取待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型之前，還包括：

根據(jù)所述馬爾科夫模型，獲取初始神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元的保留概率；

其中，所述馬爾科夫模型任一層中第k個神經(jīng)元的轉(zhuǎn)移概率P_k用于表征前k-1個神經(jīng)元保留的前提下，第k個神經(jīng)元保留的概率，k為大于或等于1的整數(shù)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述馬爾科夫模型是通過N次迭代訓(xùn)練獲取的，N為大于或等于1的整數(shù)，其中，在第M次迭代訓(xùn)練中，M為大于或等于1且小于或等于N的整數(shù)，還包括：

在第M次迭代過程中，對第M-1個初始神經(jīng)網(wǎng)絡(luò)模型基于第M-1個馬爾科夫模型進行剪枝處理，獲取第M-1個初始神經(jīng)網(wǎng)絡(luò)模型的子網(wǎng)絡(luò)模型；

在第M次迭代過程中，訓(xùn)練所述第M-1個初始神經(jīng)網(wǎng)絡(luò)模型的子網(wǎng)絡(luò)模型并獲取第一損失函數(shù)，將所述第一損失函數(shù)所確定的第一梯度回傳至所述第M-1個初始神經(jīng)網(wǎng)絡(luò)模型更新對應(yīng)的神經(jīng)元，得到第M個初始神經(jīng)網(wǎng)絡(luò)模型；所述第一損失函數(shù)用于表征所述第M-1個初始神經(jīng)網(wǎng)絡(luò)模型的子網(wǎng)絡(luò)模型的精度；

在第M次迭代過程中，向所述第M個初始神經(jīng)網(wǎng)絡(luò)模型輸入樣本圖像，將所述第M個初始神經(jīng)網(wǎng)絡(luò)模型每個神經(jīng)元的輸出結(jié)果，與所述第M-1個馬爾科夫模型中對應(yīng)神經(jīng)元的保留概率相乘；

在第M次迭代過程中，獲取所述第M個初始神經(jīng)網(wǎng)絡(luò)模型的第二損失函數(shù)；所述第二損失函數(shù)用于表征所述第M個初始神經(jīng)網(wǎng)絡(luò)模型的精度和/或計算量；

在第M次迭代過程中，將根據(jù)所述第二損失函數(shù)所確定的第二梯度回傳至所述第M-1個馬爾科夫模型，得到第M個馬爾科夫模型。

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，在所述對所述待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到所述神經(jīng)網(wǎng)絡(luò)模型之前，還包括：

對所述待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元的參數(shù)做隨機化處理。

6.根據(jù)權(quán)利要求1至5任一項所述的方法，其特征在于，

所述神經(jīng)網(wǎng)絡(luò)模型為：基于初始神經(jīng)網(wǎng)絡(luò)模型中任一個中間層的神經(jīng)元的保留概率，或者，多個中間層的神經(jīng)元的保留概率，對所述初始神經(jīng)網(wǎng)絡(luò)模型進行剪枝處理得到的。

7.根據(jù)權(quán)利要求1至5任一項所述的圖像處理方法，其特征在于，在所述經(jīng)所述神經(jīng)網(wǎng)絡(luò)模型輸出所述待處理圖像的圖像特征之后，所述方法還包括：

根據(jù)得到的所述圖像特征進行以下至少之一處理：行人檢索、人臉識別、人臉位置檢測、人臉關(guān)鍵點檢測、人體位置檢測、人體動作檢測、人體關(guān)鍵點檢測、手勢識別、手位置檢測、行人識別、車輛識別、場景識別以及活體檢測。

8.一種圖像處理裝置，其特征在于，所述裝置包括：

輸入模塊，用于將待處理圖像輸入到神經(jīng)網(wǎng)絡(luò)模型；

輸出模塊，用于經(jīng)所述神經(jīng)網(wǎng)絡(luò)模型輸出所述待處理圖像的圖像特征；

其中，所述神經(jīng)網(wǎng)絡(luò)模型包括至少兩個中間層，每個中間層包括多個神經(jīng)元，所述神經(jīng)網(wǎng)絡(luò)模型為：基于初始神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元的保留概率，對所述初始神經(jīng)網(wǎng)絡(luò)模型進行剪枝處理得到的，所述初始神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元的保留概率是基于預(yù)設(shè)的統(tǒng)計模型獲取的。